Metode Pengenalan Pola Gambar

24

2.6.4 Metode Pengenalan Pola Gambar

➣↔↕➙ ➛➙ ➜ ➝➞ ➛➟➠ o m m ➡➞➢ ➤➙ ↔➛ sebagai salah satu pengembang ➥➞ ➦➧➨ n t ➨ ➩ ➫ ➨ ➛ ➟ ↔ ty melakukan proses pendeteksian marker menggunakan pengenalan pola pada gambar. Metode yang terdapat pada ➡ ➞ ➢ ➤ ➙ ↔➛ adalah ➭ ➛ ➯ ➞ ➙ ➛➟ ➲ ➨ ➛ ➯ ➞➙ ➨ s ➳ ➙ ➛ ➠ ➵ ↔ ➸ ➦ sebagai pengenalan polanya dengan mendeteksi atau melacak titik-titik ↔ n t ➨➙ ➨ st ➺ ➤ ↔ n t atau sudut-sudut ➠ ➤ ➙ ➸ ➨ r pada suatu gambar. Diawali dengan pendeteksian pola luar gambar, kemudian dilakukan analisa tepi untuk mendapatkan pendeteksian sudut ➠ ➤➙ ➸ ➨ r secara cepat.

2.6.4.1 Natural Feature Tracking and Detection

Dalam metode ini, informasi yang diperlukan untuk tujuan pelacakan atau pendeteksian berfungsi untuk menentukan apakah suatu gambar dapat dikenali atau tidak berdasarkan fitur pengenalan pola dengan mendeteksi titik-titik sudut pola pada gambar. Korespondensi fitur bekerja lebih baik dan lebih efektif daripada pencocokan template karena mereka bergantung pada penyesuaian fitur lokal pada titik sudut tepi. Mengingat korespondensi tersebut, pose secara kasar dapat terjadi estimasi dan cukup sensitif terhadap perubahan skala, kemiringan, perubahan iluminasi atau kesalahan penyesuaian. Salah satu unsur diterapkan pendekatan pelacakan fitur alami didasarkan pada versi modifikasi dari SIFT dan FERN fitur deskriptor [21]. Gambar 2.5 Alur SIFT dan FERN[21] 25

2.6.4.1.1 SIFT Scale Invariant Feature Transform

SIFT merupakan bagian dari NFT yang bertujuan untuk mengambil titik-titik fitur yang ada pada suatu citra untuk membantu memastikan dalam pendeteksian titik fitur suatu objek pada sudut pandang yang berbeda. Pendekatan ini mengubah sebuah gambar menjadi sebuah koleksi besar dari vektor fitur lokal, yang masing-masing adalah invarian terhadap translasi, scaling, rotasi citra, sebagian invarian perubahan pencahayaan dan proyeksi 3 dimensi [20]. Langkah- langkah menggunakan SIFT sendiri terbagi atas beberapa bagian yaitu [19]: 1. Pembentukan ➻➼ ➽➾ ➾ ➚ ➼ ➪ ➶ ➹ ➼ ➘➴ S ➷➼ ➹ ➴ dan D ➚➬➬ ➴ ➮ ➴➪ ➹➴ ➱ ➬ ➻➼ ➽➾ ➾ ➚ ➼➪ ➶ ➹ ➼➘➴ S ➷ ➼ ➹ ➴ . 2. Deteksi ekstremum maksimum atau minimum pada D ➚ ➬➬ ➴ ➮ ➴➪ ➹ ➴ ➱ ➬ ➻➼ ➽➾ ➾ ➚ ➼➪ S ➹ ➼ ➘➴ S ➷ ➼ ➹ ➴ . 3. Penetapan orientasi ✃ ➴ yp ➱ ➚ n t ➱ ➮ ➚ ➴ n t ➼ ❐ ➚ o n ➼ ➾ ➾ ➚ ❒ ➪ ❮ ➴ n t . 4. Penetapan ✃ ➴ y ➷ ➱ ➚ n t ❰ ➴➾ ➹ r ➚ pt ➱ ➮ Ï

2.6.5 Markerless Augmented Reality